Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-10
IMPLEMENTASI TEKNOLOGI
FIELD PROGRAMMABLE GATE ARRAY (FPGA)
PADA ALAT IDENTIFIKASI ODOR
Dini Fakta Sari1,2, Muhammad Rivai
1, Totok Mujiono
1, Tasripan
1
1Program Pascasarjana,Jurusan Teknik Elektro, ITS, Surabaya 1Alamat : Kampus ITS, Keputih, Surabaya 60111
2Jurusan Teknik Elektro, Fakultas Teknologi Industri, UII, Jogjakarta 2Alamat : Jalan Kaliurang Km 14.4 Besi, Sleman, Jogjakarta 55584
e-mail : [email protected]
Abstrak
Alat identifikasi odor merupakan peralatan yang dirancang untuk mengganti fungsi serta mengatasi
keterbatasan sistem penciuman manusia. Alat identifikasi odor dapat diaplikasikan untuk pengawasan mutu
produk makanan, minuman, dan industri kosmetik. Pada penelitian ini digunakan sampel odor yaitu bensin,
minyak tanah, alkohol dan melon. Alat ini menggunakan deret sensor resonator kuarsa yang dilapisi oleh
polymer yang berbeda-beda yaitu cellulose, dicyanoallylsilicone (OV-275), dan polyethylene glycol ester (PEG-
1540). Setiap sensor resonator akan menghasilkan perubahan frekuensi yang berbeda sebagai akibat adanya
molekul odor yang terserap dipermukaannya. Data yang diperoleh dari deret sensor resonator kuarsa
diaplikasikan pada perangkat FPGA Spartan 3E dengan Very High Speed Integrated Circuit Hardware
Description Language (VHDL) sebagai bahasa pemrogramannya pada perangkat lunak Xilinx ISE Webpack
8.2i. Perangkat FPGA ini menangani pengukuran frekuensi (counter) secara pararel, latch, encoder, dan
komunikasi serial. Artificial neural network merupakan representasi buatan dari otak manusia yang dapat
diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran. Artificial neural network yang digunakan dalam penelitian ini dengan
model Multi Layer Perceptron (MLP) dengan metode pelatihan Back Propagation (BP) yang merupakan bentuk
topologi dari supervised artificial neural network yang dalam proses pelatihannya memerlukan pengawasan.
Tingkat akurasi pembelajaran untuk mengklasifikasi melon pada 5000 epoch dengan 1 neuron pada lapisan
tersembunyi sebesar 24,74%, dengan 5 neuron pada lapisan tersembunyi sebesar 98,36% dan dengan 10 neuron
pada lapisan tersembunyi sebesar 99,48%. Tingkat akurasi pada saat pengujian sebesar 100%.
Kata kunci : Odor, Resonator kuarsa, Artificial neural network, dan FPGA.
1. PENDAHULUAN
Odor diidentifikasi dalam ruang sekitar akan menghasilkan interaksi antara molekul yang diberikan oleh
bahan odor dan sel sensor yang terletak di hidung. Penggunaan sensor penciuman manusia untuk mengenali odor
tertentu masih memiliki kekurangan yang dikarenakan oleh beberapa faktor diantaranya : subyektifitas, hasil
pengenalan berfluktuasi tergantung dari kesehatan, perasaan sesaat, adanya keterbatasan waktu dan
membutuhkan biaya yang tidak sedikit (Peter Schulze Lammers, et al, 2004). Untuk dapat menanggulangi
kelemahan ini, maka dengan implementasi teknologi field programmable gate array pada alat identifikasi odor
dapat digunakan untuk melakukan kontrol kualitas hasil produk secara otomatis dan dengan kinerja yang
konsisten.
2. TINJAUAN PUSTAKA
2.1. Resonator Kuarsa
Resonator kuarsa merupakan bahan piezoelektrik yang dapat menghasilkan gelombang dan pembangkit
frekuensi. Resonator kuarsa yang dilapisi dengan membrane yang sensitive terhadap gas dapat digunakan
sebagai sensor kimiawi. Molekul gas yang terabsorbsi dalam membran sensitif, akan memberikan penambahan
beban yang akan mengakibatkan terjadinya penurunan resonansi frekuensi dari frekuensi awal. Penurunan
frekuensi resonator ini akan menghilang dan kembali pada frekuensi semula bila molekul gas telah lepas dari
membran (deabsorbsi). Fenomena ini dinamakan efek pembebanan massa (mass-loading effect). Bentuk dari
elektroda pada sensor resonator kuarsa ditunjukkan pada Gambar 1 ( Ping Chang, et al, 2002 ).
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-11
Gambar 1. Bentuk-Bentuk elektroda sensor resonator kuarsa
Perubahan frekuensi (9F) yang terjadi sebanding dengan massa total molekul-molekul gas yang
terabsorbsi yang dinyatakan dalam persamaan Sauerbrey yang dapat dilihat pada Persamaan 1.
A
MxxFxF∆
−=∆26103.2 …………………..(1)
dengan :
F = resonator dasar (MHz)
9M = massa total molekul gas yang terserap (g)
A = luas elektroda.
Pada penelitian ini, deret sensor resonator kuarsa yang digunakan dilapisi oleh polimer yang berbeda-beda
yaitu cellulose, dicyanoallylsilicone (OV-275), dan polyethylene glycol ester (PEG-1540).
2.2. Field Programmable Gate Array ( FPGA )
Spartan 3E merupakan salah satu keluarga FPGA yang diproduksi oleh Xilinx. Spartan 3E tipe Xc3S500E
yang digunakan dalam penelitian ini memiliki 500000 gerbang logika. IC Xilinx ini dapat diprogram dan
dihapus dengan waktu yang tidak terbatas, dengan VHDL sebagai bahasa pemrogramannya pada perangkat
lunak Xilinx Development System. FPGA memiliki beberapa kelebihan dibandingkan chip microprossesor yang
lain diantaranya (Suhap Sahin, et al, 2006) :
1. Dapat diterapkan pada berbagai gerbang logika dari yang sederhana sampai yang komplek.
2. Dapat didesain ulang untuk mengubah fungsi logika tanpa merubah sistem.
3. FPGA memiliki siklus desain logika yang singkat sehingga cukup murah.
4. komputasi dapat dilakukan secara parallel dan memungkinkan siklus desain logika yang bekerja secara
parallel.
Secara umum arsitektur FPGA Spartan-3E terlihat pada Gambar 2 (www.xilinx.com), terdiri dari
Configurable Logic Blocks (CLBs), Input/Output Blocks (IOBs), Block RAM, Multiplier Blocks dan Digital
Clock Manager (DCM) Blocks. Configurable logic blocks melakukan fungsi logika. Multiplier Blocks
melakukan tugas utama yaitu perkalian numerik two’s complement tapi bisa juga melakukan beberapa aplikasi
seperti menyimpan data dan barrel shifting. Digital Clok manager (DCM) memberikan fleksibilitas kelengkapan
kontrol over clock frekuensi, phase shift dan skew.
Gambar 2. Arsitektur FPGA Spartan-3E
2.3. Artificial Neural Network Artificial Neural Network (ANN) dapat digunakan di berbagai bidang pengenalan pola, pengolahan gambar
dan diagnostic medis. Artificial Neural Network yang digunakan dalam penelitian ini adalah model Multi Layer
Perceptron (MLP) dengan metode pelatihan Back Propagation (BP) yang merupakan algoritma pembelajaran
yang terawasi. Multi-layer perceptron memiliki beberapa unit yang ada dalam satu atau lebih lapis tersembunyi.
Arsitektur multi-layer perceptron dengan i buah masukan yang ditambah dengan sebuah bias, sebuah lapis
tersembunyi yang terdiri dari j unit yang ditambah dengan sebuah bias serta k buah unit keluaran dapat dilihat
pada Gambar 3, vji merupakan bobot garis dari unit masukan xi ke unit lapis tersembunyi zj (vjo merupakan bobot
garis yang menghubungkan bias di unit masukan ke unit lapis tersembunyi zj). wjk merupakan bobot dari unit
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-12
lapis tersembunyi zj ke unit keluaran yk (w0k merupakan bobot dari bias di lapis tersembunyi ke unit keluaran yk)
(Misbah, 2009).
Gambar 3. Arsitektur multi-layer perceptron dengan i buah masukan yang ditambah sebuah bias, sebuah lapis
tersembunyi yang terdiri dari j unit yang ditambah sebuah bias serta k buah unit keluaran
3. METODE PENELITIAN
Secara garis besar metode penelitian terdiri dari perancangan sistem alat identifikasi odor pada FPGA,
pengujian alat dan perancangan Artificial Neural Network pada komputer.
Gambar 4. Sistem Alat Identifikasi Odor
Pada Gambar 4 dapat dijelaskan bahwa dari beberapa alat identifikasi odor terdiri dari sensor gas resonator
kuarsa yang digunakan jenis kristal, sehingga membutuhkan rangkaian oscillator yang digunakan untuk
menjamin sinyal yang dihasilkan resonator kuarsa adalah sinyal pulsa, dari rangkaian oscillator kemudian
dihitung oleh frequency counter. Data yang keluar akan dijadikan inputan ke artificial neural network yang ada
di komputer dengan komunikasi serial sebagai interface dari FPGA ke komputer.
Gambar 5. Pengujian Alat Identifikasi Odor
Pengujian yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 5. Sensor resonator kuarsa
dibersihkan dari partikel gas yang masih menempel dengan cara mengalirkan gas N2. Bahan yang akan diujikan
ditempatkan pada tempat uji sampel, kemudian dipompa agar masuk kedalam sel detektor yang didalamnya
terdapat sensor-sensor gas resonator kuarsa yang telah dilapisi bahan-bahan polimer. Perubahan frekuensi dari
masing-masing sensor dicacah dan diproses dalam FPGA. Bentuk program Very High Speed Integrated Circuit
Hardware Description Language (VHDL) pada FPGA dapat dilihat pada Gambar 6. Identifikasi jenis bahan
yang telah diuji dengan menggunakan Artificial Neural Network diproses pada komputer.
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-13
Gambar 6. Program VHDL pada FPGA
Perancangan Artificial Neural Network model Multi Layer Perceptron (MLP) dengan metode pelatihan
Back Propagation (BP) terdiri dari 3 neuron pada lapisan input, neuron pada lapisan tersembunyi, 4 neuron pada
lapisan output, menggunakan fungsi aktivasi sigmoid, learning rate dibuat 0.1, nilai ambang Mean Square Error
(MSE) sebesar 10-5, dan nilai bobot diatur dari hasil pembangkitan bilangan acak. Perancangan Artificial
Neural Network dapat dilihat pada Gambar 7.
Gambar 7. Perancangan Artificial Neural Network
4. HASIL DAN PEMBAHASAN
Pengujian pada penelitian ini menggunakan empat sample odor yaitu bensin, alkohol, minyak tanah dan
melon. Deret sensor resonator kuarsa yang digunakan dilapisi oleh polymer yang berbeda-beda yaitu cellulose,
dicyanoallylsilicone (OV-275), dan polyethylene glycol ester (PEG-1540). Hasil pengujian dari deret sensor
resonator kuarsa ketika diberi beberapa sampel odor ditunjukkan pada Gambar 8.
Alkohol Minyak tanah
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-14
Bensin Melon
Gambar 8. Respon frekuensi dari deret sensor resonator kuarsa.
Normalisasi dilakukan untuk mengurangi variasi pola, akibat adanya variasi konsentrasi. Hasil
normalisasi pada 10 kali percobaan dapat dilihat pada Gambar 9.
ALKOHOL
0
0.2
0.4
0.6
0.8
1
1.2
Percobaan 1
Percobaan 2
Percobaan 3
Percobaan 4
Percobaan 5
Percobaan 6
Percobaan 7
Percobaan 8
Percobaan 9
Percobaan 10
Cellulose
OV-275
PEG-1540
MINYAK TANAH
0
0.2
0.4
0.6
0.8
1
1.2
Percobaan 1
Percobaan 2
Percobaan 3
Percobaan 4
Percobaan 5
Percobaan 6
Percobaan 7
Percobaan 8
Percobaan 9
Percobaan 10
Cellulose
OV-275
PEG-1540
Alkohol. Minyak tanah
BENSIN
0
0.2
0.4
0.6
0.8
1
1.2
Percobaan 1
Percobaan 2
Percobaan 3
Percobaan 4
Percobaan 5
Percobaan 6
Percobaan 7
Percobaan 8
Percobaan 9
Percobaan 10
Cellulose
OV-275
PEG-1540
MELON
0
0.2
0.4
0.6
0.8
1
1.2
Percobaan1
Percobaan2
Percobaan3
Percobaan4
Percobaan5
Percobaan6
Percobaan7
Percobaan8
Percobaan9
Percobaan10
Cellulose
OV-275
PEG-1540
Bensin Melon
Gambar 9. Hasil normalisasi data untuk masing-masing sample
Berdasarkan hasil dari normalisasi, nilai pada percobaan 1 sampai percobaan 5 dijadikan sebagai input pada
saat pembelajaran yang ditunjukkan pada Tabel 1. Nilai pada percobaan 6 sampai 10 dijadikan sebagai input
pada saat pengujian yang ditunjukkan pada Tabel 2. Output target untuk masing-masing sampel ditunjukkan
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-15
pada Tabel 3. Hasil pembelajaran dengan metode pelatihan Back Propagation ditunjukkan pada Tabel 4, Tabel
5, Tabel 6, dan Tabel 7.
Tabel 1. Data input pada saat pembelajaran
Tabel 2. Data input pada saat pengujian
Tabel 3. Output target
Tabel 4. Hasil pembelajaran dengan metode pelatihan Back Propagation dengan 1 neuron pada lapisan
tersembunyi
Tabel 5. Hasil pembelajaran dengan metode pelatihan Back Propagation dengan 5 neuron pada lapisan
tersembunyi
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-16
Tabel 6. Hasil pembelajaran dengan metode pelatihan Back Propagation dengan 10 neuron pada lapisan
tersembunyi
Tabel 7. Hasil pembelajaran dengan metode pelatihan Back Propagation untuk pengujian melon
Hasil pelatihan menggunakan Artificial Neural Network dengan model Multi Layer Perceptron dengan
metode pelatihan Back Propagation, untuk mendapatkan keseimbangan antara kemampuan jaringan untuk
mengenali pola yang digunakan selama pembelajaran, dengan kemampuan jaringan dalam memberikan respon
yang benar terhadap pola masukan selama pengujian. Tingkat akurasi pembelajaran untuk mengklasifikasi melon
pada 5000 epoch, dengan 1 neuron pada lapisan tersembunyi sebesar 24,74%, dengan 5 neuron pada lapisan
tersembunyi sebesar 98,36% dan dengan 10 neuron pada lapisan tersembunyi sebesar 99,48%. Tingkat akurasi
pada saat pengujian sebesar 100 %.
Penggunaan perangkat FPGA dalam menangani pengukuran frekuensi (counter) secara pararel, latch,
encoder, dan komunikasi serial dapat dilihat pada Tabel 8.
Tabel 8. Estimasi Penggunaan Perangkat FPGA
Seminar Nasional Informatika 2010 (semnasIF 2010) ISSN: 1979-2328
UPN ”Veteran” Yogyakarta, 22 Mei 2010
B-17
5. KESIMPULAN
Alat identifikasi odor dibuat untuk dapat membedakan beberapa jenis odor yang diujikan. Metode yang
digunakan adalah menggunakan deret sensor resonator kuarsa yang dilapisi dengan polimer yag berbeda.
Perangkat FPGA digunakan untuk pengukuran frekuensi (counter) secara pararel, latch, encoder, dan
komunikasi serial. Artificial neural network dengan model Multi Layer Perceptron dengan metode pelatihan
Back Propagation digunakan untuk mengetahui tingkat klasifikasi jenis odor. Tingkat akurasi pembelajaran
untuk mengklasifikasi melon pada 5000 epoch, dengan 1 neuron pada lapisan tersembunyi sebesar 24,74%,
dengan 5 neuron pada lapisan tersembunyi sebesar 98,36% dan dengan 10 neuron pada lapisan tersembunyi
sebesar 99,48%. Tingkat akurasi pada saat pengujian sebesar 100%.
6. DAFTAR PUSTAKA
Misbah,(2009),” Implementasi FPGA Sebagai Digital Interface Pada Sensor Gas Resonator Kuarsa Untuk
Mendeteksi Amoniak”, Tesis S2, Teknik Elektro, Fakultas Teknologi Industri, ITS, Surabaya.
Peter Schulze Lammers and Yuwono. A , (2004),” Odor Pollution in the
Environment and the Detection Instrumentation”, Agricultural Engineering International: the CIGR
Journal of Scientific Research and Development. Invited Overview Paper. Vol. VI.
Ping Chang and,Jeng-Shong Shih, ( 2002 ),” The Application of Back Propagation Neural Network of Multi-
channel Piezoelectric Quartz Crystal Sensor for Mixed Organic Vapours”, Tamkang Journal of Science and
Engineering, Vol. 5, No. 4, pp. 209-217.
Suhap Sahin, Yasar Becerikli, and Suleyman Yazici, (2006), “Neural Network Implementation in Hardware
Using FPGAs”, Department of Computer Eng., Kocaeli University, Izmit ,Turkey.
------,http://www.xilinx.com/bvdocs/publications/ds312.pdf